基于多尺度融合的卷积神经网络的杂草幼苗识别

针对传统网络ALexNet识别精度不高、内存需求量大、特征尺度单一等问题，该文提出了一种多尺度并行融合的轻量级模块PL-SE模块。该模块将上层特征经过两个不同尺度的卷积核和一个最大池化，融合之后得到新的特征信息，之后再经过一个SE模块，最后进行残差学习。同时，对于下采样部分，该文提出一种SR-SE模块代替传统网络的池化层，在降维的同时进行特征提取。使用PL-SE模块和SR-SE模块对ALexNet模型改进得到一种新的模型，用于对25种杂草幼苗进行训练识别。改进后的模型识别准确率达到了96.32%，相较于传统的ALexNet模型提高了8个百分点，参数总量减少约56.7 M (Million)。除此之外，与ResNet、GoogleNet、MobileNet等经典网络相比，改进后的模型在准确率和参数量方面都具有优势。

我国是一个拥有14 亿人口的农业大国，农业的发展影响到社会的方方面面。

在现代化农业生产过程中， 杂草依然是制约农作物产量和质量的重要因素之一。

杂草会与农作物争肥争水， 增加病虫害的传播， 最终导致农作物产量减少。尽管可以使用农药来控制杂草的生长，但是鉴于杂草种类繁多，同时一些杂草外观特征与农作物极其相似，若是以人眼识别难以区分，而且粗放式扩大喷洒农药，会造成资源浪费以及环境污染。随着精细农业的提出，为了合理使用农药，精准识别农作物和杂草变得尤为重要。

同时，随着我国现代化农村的提出，计算机与农业生产相结合是必然趋势。利用深度学习进行杂草识别，不仅可以提高杂草识别的准确率，合理使用除草方法，同时也可以对农业知识掌握不完全的人起到帮助。

2009 年，Camargo [1]等通过提取出植物病害的特征参数，之后将特征输入支持向量机进行识别，获得了较高的准确度。2017 年，Edmund J. Sadgrove [2]等对HSV、RGB 和YUV 三种不同颜色体系输入图像进行测试， 并与标准灰度图像进行了时间和精度的比较， 结果表明YUV 在所有数据集上表现最好， 可以达到84%的准确率。2016 年，C Potena 等将RGB 和NIR 图像分别输入不同的卷积神经网络，利用浅层神经网络对作物和杂草图像进行特征提取，然后利用深层卷积网络进行分类。2014 年，HAUG [3]等提出四通道图像训练分割模型，平均准确率达到94%。2017 年，Alessandro dos Santos Ferreira [4]等利用超像素算法生成图像， 并利用卷积网络进行识别。

MCCOOL [5]等利用卷积网络对作物与杂草进行识别， 并使用模型压缩技术减少了模型参数。之后，Philipp Lottes [6]等利用马尔科夫随机场模型对随机森林算法进行优化进行杂草识别，并通过农场机器人在不同甜菜地进行实地实验，取得了较好的效果。

2007 年，毛文华[7]等根据作物及杂草的位置特征，提出种子填充算法识别行间杂草，适用于早期行间杂草的识别。2013 年，何东健[8]等针对单一特征识别率低、稳定性差的问题，提出多特征融合杂草识别方法，提取形状、纹理以及分形维数三类特征，稳定性和准确率相对提高。2014 年，孟庆宽等针对图像处理易受光照等因素影响、算法实时性、稳定性较差等问题，提出了YUV 颜色模型进行图像分割，取得较好效果。2015 年，张新明[9]等针对传统概率神经网络在杂草识别中存在识别精度低和实时性能差等